本發(fā)明涉及放療計劃的靶區(qū)勾畫的配準樣本提取方法，具體涉及一種基于特征提取和相似匹配的醫(yī)學影像檢索方法。

背景技術：

隨著計算機科學和信息技術的不斷發(fā)展，醫(yī)學成像技術也得到了迅速發(fā)展，各種新的成像設備不斷涌現(xiàn)，如計算機斷層成像(CT)、數(shù)字減影血管造影(DSA)、單光子發(fā)斷層成像(SPECT)、磁共振成像(MRI)正電子發(fā)射斷層成像(PET)等。各種成像技術和檢查方法都有它的優(yōu)勢與不足，并非一種成像技術可以適用于對人體所有器官的檢查和疾病診斷.也不是一種成像技術能取代另一種成像技術，而是相輔相成、相互補充。為了提高診斷正確率，需要綜合利用患者的各種圖像信息。目前醫(yī)學圖像學的一個明顯的發(fā)展趨勢，是利用信息融合技術，將多種醫(yī)學圖像結合起來，充分利用不同醫(yī)學圖像的特點，在一幅圖像上同時表達來自人體的多方面信息，使人體內(nèi)部的結構、功能等多方面的狀況通過圖像反映出來，從而更加直觀地提供人體解剖、生理及病理等信息。要實現(xiàn)多圖像信息融合，最主要的就是完成圖像配準,即多幅圖像在空間域中達到幾何位置和解剖位置上的完全對應。

在放療領域中，圖像配準也是相當重要的課題。傳統(tǒng)腫瘤放射治療過程，是在治療開始前，基于病人的定位CT，由醫(yī)師手動來靶區(qū)勾畫及危及器官，來生成放療計劃，然后在隨后的治療過程中保持放療計劃不變，對病人進行若干分次治療。這樣的治療模式?jīng)]有考慮到治療過程中病人的解剖結構變化，比如腫瘤體積和位置的變化，病人身體輪廓的變化，胃腸充盈狀態(tài)的變化以及引起的周圍危及器官位置的變化等，導致病人實際接受的劑量偏離醫(yī)生的處方劑量，進而引起腫瘤控制率的下降和正常組織并發(fā)癥概率的增加。

配準應用在放療計劃中，就是要找到一個與目標圖像最合適的模板圖像，經(jīng)匹配運算后可以得到最佳配準結果，供臨床靶區(qū)勾畫、器官劑量模擬或治療使用。因此，如何搜索到最合適的模板圖像應用在放療計劃的配準算法中，是相當重要的。配準運算結果越準確，可以使后續(xù)的靶區(qū)勾畫或器官劑量模擬或臨床治療更精確。

近年來，隨著科技的進步，圖像配準應用已經(jīng)逐漸導入放療領域中，積極的應用在放療領域中。目前在醫(yī)學圖像配準的發(fā)展上?；贒EMONS的理論來改良的圖像配準方式，是目前的主流之一。但是不論應用何種圖像配準方式，找尋最相近的樣本來完成配準運算，絕對是事半功倍的方法。

技術實現(xiàn)要素：

為了克服現(xiàn)有圖像配準技術中存在的不足，本發(fā)明提供一種基于特征提取和相似匹配的醫(yī)學影像檢索方法，使臨床在勾畫靶區(qū)及危及器官時，應用圖像配準技術可以處理里的更快更精確，很好地滿足臨床需要。

為實現(xiàn)上述目的，本發(fā)明提供一種基于特征提取和相似匹配的醫(yī)學影像檢索方法，包括以下步驟：

步驟1、讀取病人的影像和病史資料，所述資料包括圖像信息和文字信息；

步驟2、將步驟1所得到的資料進行預處理，分為圖像預處理與文字預處理；

步驟2.1、圖像預處理：將原始圖像作轉(zhuǎn)檔、正規(guī)化、分割，提取目標信息；所述目標信息包括目標圖像和目標圖像輪廓；其中，若原始圖像為2DDICOM圖像，則直接進行轉(zhuǎn)檔；若原始圖像為3D DICOM圖像，則先將3DDICOM圖像轉(zhuǎn)換為2D DICOM圖像組，然后進行轉(zhuǎn)檔；

步驟2.2、文字預處理：由病人的文字信息中，得到病人性別、年齡、疾病信息、疾病治病部位、病理與圖像報告、先前是否做過放療及是否有相關并發(fā)癥；

步驟3、從步驟2.1預處理后的圖像或圖像組中，提取所需要的10個特征，建立該目標圖像的圖像ID；

10個特征分別如下：

特征1：2D圖像組數(shù)量或幀數(shù)；

特征2：圖像輪廓縱向最長軸；

特征3：圖像輪廓橫向最長軸；

特征4：取圖像輪廓的bounding box縱向1/4處，圖像輪廓的最長軸；

特征5：取圖像輪廓的bounding box縱向1/2處，圖像輪廓的最長軸；

特征6：取圖像輪廓的bounding box縱向3/4處，圖像輪廓的最長軸；

特征7：取圖像輪廓的bounding box橫向1/4處，圖像輪廓的最長軸；

特征8：取圖像輪廓的bounding box橫向1/2處，圖像輪廓的最長軸；

特征9：取圖像輪廓的bounding box橫向3/4處，圖像輪廓的最長軸；

特征10：圖像體積或面積；

步驟4、從步驟2.2預處理后的文字信息中，先經(jīng)過初步篩選，找出相同的疾病，相同治療部位的圖像組；

步驟5、將步驟3所得到目標圖像的圖像ID與步驟4提取出的圖像組中的所有圖像ID做比對，首先比對特征1的相似度，找尋相似的圖像組，不符合的則排除；

步驟6、將經(jīng)由步驟5篩選后的圖像組，再次與目標圖像ID比對特征2-10的相似度，找尋相似的圖像組，不符合的則排除；

步驟7、經(jīng)由步驟6篩選出來的圖像組分別與目標圖像組計算圖像相似度指標(SSIM)，比較數(shù)值越趨近1，則表示越相近，提取最相近的前10組圖像，不符合的則排除；

步驟8、在醫(yī)院系統(tǒng)端中顯示最相近的10組圖像，供臨床醫(yī)師選擇，結束。

作為本發(fā)明的進一步改進，所述圖像信息包括CT圖像、錐束CT圖像、超聲圖像、MRI圖像、PET圖像和X-Ray圖像；所述文字信息包括病人基本資料、相關病史、相關并發(fā)癥、疾病類型、疾病治療位置、病理及圖像診斷報告信息。

作為本發(fā)明的進一步改進，所述步驟2.1包括：

步驟2.1.1、判別圖像為2D DICOM圖像或是3D DICOM圖像，本發(fā)明中至少有其中之一種圖像；

步驟2.1.2、若為3D DICOM圖像，則轉(zhuǎn)換檔案為2D DICOM序列圖像組；

步驟2.1.3、將2D DICOM圖像或圖像組轉(zhuǎn)換成.bmp或是.jpeg格式；

步驟2.1.4、將圖像做直方圖均衡化，運算步驟如下：

a、對給定的待處理圖像統(tǒng)計其直方圖，求出：

P_r(r_j)＝n_j/N，j＝0,1,…,L-1 (1)

b、根據(jù)統(tǒng)計出的直方圖采用累積分布函數(shù)作變換；

c、用新灰度代替舊灰度，求出S_k；

其中N為一幅圖像中像素的總數(shù)；n_j為第j級灰度的像素；P_r(r_j)表示原始圖像灰度級出現(xiàn)的概率分布；r_k為第k個灰度級；T(r_k)為建立輸入圖像與輸出圖像灰度級之間的對應關系，即新灰度級出現(xiàn)的概率，重新定位累計分布函數(shù)S_k；

步驟2.1.5、利用Otsu方法對步驟2.1.4的運算結果做自適應二值化圖像，取得基本圖像輪廓邊緣；

步驟2.1.6、步驟2.1.5完成之后，將會初步分出目標圖像基本輪廓；

步驟2.1.7、根據(jù)步驟2.1.6的圖像基本輪廓，找出能包住圖像的最小方形Bounding box，隨后對圖像做一次膨脹算法與腐蝕算法，可以得到目標圖像完整輪廓邊緣。

作為本發(fā)明的進一步改進，在步驟2.1.5中：

Otsu方法又叫大津法，其在計算過程中不論圖像的直方圖有無明顯的雙峰，都能得到記f(i,j)為MxN圖像(i,j)點處的灰度值；

假設f(i,j)取值[0,m-1]，記p(k)為灰度值k的頻率，則有：

假設用灰度值t為閾值分割出的目標與背景分別為：{f(i,j)≦t}和{f(i,j)>t}，

于是目標部分比例：ω₀(t)＝∑_0≤i≤tp(i) (4)

目標部分點數(shù)：N₀(t)＝MN∑_0≤i≤tp(i) (5)

背景部分比例：ω₁(t)＝∑_t≤i≤m-1p(i) (6)

背景部分點數(shù)：N₁(t)＝MN∑_t≤i≤m-1p(i) (7)

目標均值：μ₀(t)＝∑_0≤i≤tip(i)/ω₀(t) (8)

背景均值：μ₁(t)＝∑_t≤i≤m-1ip(i)/ω₁(t) (9)

總均值：μ＝ω₀(t)μ₀(t)+ω₁(t)μ₁(t) (10)

大津法指出求圖像最佳閾值g的公式為：

該式右邊括號內(nèi)實際上就是類間方差值，閾值g分割出的目標和背景兩部分構成了整幅圖像，而目標值μ₀(t)，概率為ω₁(t)，背景取值μ₁(t)，概率為ω₀(t)，總均值為μ，根據(jù)方差的定義即得該式。

作為本發(fā)明的進一步改進，所述步驟5中的篩選閾值為95％或90％或85％或80％或75％。

作為本發(fā)明的進一步改進，所述步驟6中的篩選閾值為95％或90％或85％或80％或75％。

作為本發(fā)明的進一步改進，在步驟7中：

給定兩個圖像分別定義為x和y，兩張圖像的結構相似性可按照以下方式求出：

其中μ_x是x的平均值，μ_y是y的平均值，是x的差，是y的方差，σ_xy是x和y的協(xié)方差；C₁＝(K₁L)²，C₂＝(K₂L)²是用來維持穩(wěn)定的常數(shù)，L是像素值的動態(tài)范圍，K₁＝0.01,K₂＝0.03，結構相似性的范圍為-1到1；當兩張圖像一模一樣時，SSIM的值等于1。

作為本發(fā)明的進一步改進，所述步驟7中的篩選閾值為最趨近1的數(shù)值。

作為本發(fā)明的進一步改進，所述步驟2中的預處理、所述步驟3中圖像的特征ID提取、所述步驟4中圖像文字信息的篩選、所述步驟5、所述步驟6、所述步驟7中的快速篩選比對算法、是通過基于GPU、CPU或分布式云計算平臺實現(xiàn)的。

與現(xiàn)有技術相比，本發(fā)明的有益效果為：

本發(fā)明提供了一種基于特征提取和相似匹配的醫(yī)學影像檢索方法，應用于放療勾畫配準領域的方法；在放療計劃中配準的應用就是要找到一個與目標圖像最合適的模板圖像，經(jīng)匹配運算得到最佳配準結果后，供臨床靶區(qū)勾畫、器官劑量模擬或治療使用。因此，如何搜索到最合適的模板圖像是相當重要的。在本方法中通過10個與形態(tài)相關的形狀特征，結合病史信息，并給予這些特征不同的判別權重，最后選出最相近的10組圖像及其相關信息(10組圖像中將包含男性、女性、孩童、老人等綜合選項)，提供給醫(yī)生選擇，經(jīng)綜合考慮下選擇最合適的模板圖像。經(jīng)過本方法運算后的圖像，可以提供圖像的相似度保證，如此可以提高放療計劃中配準運算的適用性與精確度，很好地滿足臨床需要。

本發(fā)明通過基于GPU加速的算法，找尋最相似的配準樣本圖像，是為了實現(xiàn)在臨床放療中，病人躺倒在病床上之后的幾分鐘之內(nèi)完成配準與劑量模擬驗證。本發(fā)明效率高，節(jié)約時間及人力成本，很好的滿足了臨床需要，可在臨床上推廣應用，具有顯著的社會意義。

附圖說明

圖1為本發(fā)明一種實施例公開的基于特征提取和相似匹配的醫(yī)學影像檢索方法的流程圖；

圖2為圖1中步驟3的特征提取說明圖。

具體實施方式

為使本發(fā)明實施例的目的、技術方案和優(yōu)點更加清楚，下面將結合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例是本發(fā)明的一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動的前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

本發(fā)明公開了一種基于特征提取和相似匹配的醫(yī)學影像檢索方法，應用于放療靶區(qū)勾畫配準領域。在放療計劃的流程中，圖像配準是一項很重要的關鍵步驟。放療計劃中圖像配準的應用目的是為了找到一個與目標圖像最合適的模板圖像，經(jīng)匹配運算后可得到最佳配準結果，供臨床靶區(qū)勾畫、器官劑量模擬或治療使用。因此，如何搜索到最合適的模板圖像是相當重要的。在本方法中透過10個與形態(tài)相關的形態(tài)特征，結合病史信息，并給予這些特征不同的判別權重，最后選出10組最相近的圖像及相關信息，提供給醫(yī)生選擇,經(jīng)綜合考慮下選擇最合適的模板圖像。經(jīng)過本方法運算后，可以提供模板圖像與目標圖像的相似度保證，如此可以提高放療計劃中圖像配準運算的適用性與精確度。

下面結合附圖對本發(fā)明做進一步的詳細描述：

如圖1所示，本發(fā)明提供一種基于特征提取和相似匹配的醫(yī)學影像檢索方法，其包括以下步驟：

步驟1、讀取病人的影像和病史資料，資料包括圖像信息和文字信息；圖像信息包括CT圖像、錐束CT圖像、超聲圖像、MRI圖像、PET圖像和X-Ray圖像；文字信息包括病人基本資料、相關病史、相關并發(fā)癥、疾病類型、疾病治療位置、病理及圖像診斷報告信息。

步驟2、將步驟1所得到的資料進行預處理，具體分為圖像預處理與文字預處理；

步驟2.1、圖像預處理：將原始圖像(一般為DICOM圖像格式)做轉(zhuǎn)檔，圖像正規(guī)化，圖像分割，最后提取出目標圖像與其相關圖像信息，對于圖像拍攝不規(guī)范的圖像(組)或是有圖像質(zhì)量問題的圖像(組)，將自動判斷保留或刪除；其中，若原始圖像為2D DICOM圖像，則直接進行轉(zhuǎn)檔；若原始圖像為3D DICOM圖像，則先將3D DICOM圖像轉(zhuǎn)換為2D DICOM圖像組，然后進行轉(zhuǎn)檔；其中：

步驟2.1.1、判別原始圖像為2D DICOM圖像或是3D DICOM圖像，本發(fā)明中至少有其中之一種圖像；

步驟2.1.2、若為3D DICOM圖像，則轉(zhuǎn)換檔案為2D DICOM序列圖像組；

步驟2.1.3、將2D DICOM圖像或圖像組轉(zhuǎn)換成.bmp或是.jpeg格式，便于后續(xù)圖像處理，本發(fā)明中至少轉(zhuǎn)換成其中之一種；

步驟2.1.4、將圖像做直方圖均衡化，運算步驟如下：

a、對給定的待處理圖像統(tǒng)計其直方圖，求出：

P_r(r_j)＝n_j/N，j＝0,1,…,L-1 (1)

b、根據(jù)統(tǒng)計出的直方圖采用累積分布函數(shù)作變換；

c、用新灰度代替舊灰度，求出S_k；

其中N為一幅圖像中像素的總數(shù)；n_j為第j級灰度的像素；P_r(r_j)表示原始圖像灰度級出現(xiàn)的概率分布；r_k為第k個灰度級；T(r_k)為建立輸入圖像與輸出圖像灰度級之間的對應關系，即新灰度級出現(xiàn)的概率，重新定位累計分布函數(shù)S_k；

步驟2.1.5、利用Otsu方法對步驟2.1.4的運算結果做自適應二值化圖像，取得基本圖像輪廓邊緣，包括如下步驟：

Otsu方法是一種全局化的動態(tài)二值化方法，又叫大津法，還稱為最大類間差發(fā)，是基于整幅圖像的統(tǒng)計征，實現(xiàn)閾值的自動選取。其原理是把圖像直方圖用某一灰度值分割成兩類，分別計算這兩類的像素點數(shù)和灰度平均值，然后計算它們的類間方差。當被分割成的兩類間方差最大時，此灰度值就作為圖像二值化處理的閾值。大津法的使用范圍比較廣，不論圖像的直方圖有無明顯的雙峰，都能得到記f(i,j)為MxN圖像(i,j)點處的灰度值；

假設f(i,j)取值[0,m-1]，記p(k)為灰度值k的頻率，則有：

假設用灰度值t為閾值分割出的目標與背景分別為：{f(i,j)≦t}和{f(i,j)>t}，

于是目標部分比例：ω₀(t)＝∑_0≤i≤tp(i) (4)

目標部分點數(shù)：N₀(t)＝MN∑_0≤i≤tp(i) (5)

背景部分比例：ω₁(t)＝∑_t≤i≤m-1p(i) (6)

背景部分點數(shù)：N₁(t)＝MN∑_t≤i≤m-1p(i) (7)

目標均值：μ₀(t)＝∑_0≤i≤tip(i)/ω₀(t) (8)

背景均值：μ₁(t)＝∑_t≤i≤m-1ip(i)/ω₁(t) (9)

總均值：μ＝ω₀(t)μ₀(t)+ω₁(t)μ₁(t) (10)

大津法指出求圖像最佳閾值g的公式為：

該式右邊括號內(nèi)實際上就是類間方差值，閾值g分割出的目標和背景兩部分構成了整幅圖像，而目標值μ₀(t)，概率為ω₁(t)，背景取值μ₁(t)，概率為ω₀(t)，總均值為μ，根據(jù)方差的定義即得該式；因方差是灰度分布均勻性的一種度量，方差值越大，說明構成圖像的兩部分差別越大，當部分目標錯分為背景或部分背景錯分為目標都會導致兩部分差別變小，因此使類間方差最大的分割意味著錯分概率最小。

步驟2.1.6、步驟2.1.5完成之后，將會初步分出目標圖像基本輪廓；

步驟2.1.7、根據(jù)步驟2.1.6的圖像基本輪廓，找出Bounding box，也就是最小能包住圖像的方形，隨后對圖像做一次膨脹算法(dilation)與腐蝕(erosion)算法，可以得到目標圖像完整輪廓邊緣；在提取Bounding box需特別注意起始位置的圖像，若圖像Bounding box的面積小于一定的大小，則判斷此圖有定位異常的問題，予以刪除。

步驟2.2、文字預處理：由病人的文字資料信息中，得到病人性別，年齡，腫瘤類型，治療部位，病理與圖像報告，先前是否做過放療，是否有相關并發(fā)癥…等相關信息；其中目標腫瘤信息與腫瘤部位的信息將會應用在資料庫的圖像ID篩選；而病人性別，年齡，病理與圖像報告等相關信息將會應用在步驟8；

步驟3、從步驟2.1預處理后的圖像或圖像組中，提取所需要的10個特征，建立該目標圖像的圖像ID；

如圖2所示，10個特征分別如下：

特征1：2D圖像組數(shù)量或幀數(shù)；

特征2：圖像輪廓縱向最長軸；

特征3：圖像輪廓橫向最長軸；

特征4：取圖像輪廓的bounding box縱向1/4處，圖像輪廓的最長軸；

特征5：取圖像輪廓的bounding box縱向1/2處，圖像輪廓的最長軸；

特征6：取圖像輪廓的bounding box縱向3/4處，圖像輪廓的最長軸；

特征7：取圖像輪廓的bounding box橫向1/4處，圖像輪廓的最長軸；

特征8：取圖像輪廓的bounding box橫向1/2處，圖像輪廓的最長軸；

特征9：取圖像輪廓的bounding box橫向3/4處，圖像輪廓的最長軸；

特征10：圖像體積或面積；

步驟4、從步驟2.2預處理后的文字信息中，先找出相同的疾病，相同治療部位的圖像組；先將此信息送入資料庫中做初步篩選，找出相同的疾病，相同治療部位的圖像組，最后提出符合的圖像組；

步驟5、將步驟3所得到目標圖像的圖像ID與步驟4提取出的圖像組中的所有圖像ID做比對，主要比對特征1的相似度，由于臨床上圖像拍攝時，對于每個部位或器官都有規(guī)定的拍攝圖像間距標準，因此，此參數(shù)可用來作為初步評斷目標結構大小的特征標準；找尋資料庫中圖像特征ID與目標圖像特征ID相似的圖像組，不符合的則排除；其中，篩選閾值為95％或90％或85％或80％或75％，優(yōu)選篩選閾值為95％，即找尋資料庫中圖像特征ID與目標圖像特征ID相似度>95％以上的圖像組；

步驟6、將經(jīng)由步驟5篩選后的圖像組，再次與目標圖像ID比對特征2-10的相似度，找尋相似的圖像組，不符合的則排除；其中，篩選閾值為95％或90％或85％或80％或75％，優(yōu)選篩選閾值為95％，即找尋相似度>95％以上的圖像組；

步驟7、將經(jīng)由步驟6篩選后符合資格的圖像組，分別與目標圖像組計算圖像相似度指標(SSIM)，比較數(shù)值，其篩選閾值為最趨近1的10個數(shù)值，越趨近1則表示越相近，提取最相近的前10組圖像，不符合的則排除；

給定兩個圖像分別定義為x和y，兩張圖像的結構相似性可按照以下方式求出：

其中μ_x是x的平均值，μ_y是y的平均值，是x的差，是y的方差，σ_xy是x和y的協(xié)方差；C₁＝(K₁L)²，C₂＝(K₂L)²是用來維持穩(wěn)定的常數(shù)，L是像素值的動態(tài)范圍，K₁＝0.01,K₂＝0.03，結構相似性的范圍為-1到1；當兩張圖像一模一樣時，SSIM的值等于1。

步驟8、在醫(yī)院系統(tǒng)端中顯示最相近的10組圖像，并顯示其相關基本信息，如:年齡、性別，病史等相關信息，提供給臨床醫(yī)師做配準模板圖像的選取參考，結束。

優(yōu)選的，本發(fā)明步驟2中的預處理、步驟3中圖像的特征ID提取、步驟4中圖像文字信息的篩選、步驟5、步驟6、步驟7中的快速篩選比對算法、是通過基于GPU、CPU或分布式云計算平臺實現(xiàn)的。

本發(fā)明提供了一種基于特征提取和相似匹配的醫(yī)學影像檢索方法，應用于放療勾畫配準領域的方法；在放療計劃中配準的應用就是要找到一個與目標圖像最合適的模板圖像，經(jīng)匹配運算得到最佳配準結果后，供臨床靶區(qū)勾畫、器官劑量模擬或治療使用。因此，如何搜索到最合適的模板圖像是相當重要的。在本方法中通過10個與形態(tài)相關的形狀特征，結合病史信息，并給予這些特征不同的判別權重，最后選出最相近的10組圖像及其相關信息(10組圖像中將包含男性、女性、孩童、老人等綜合選項)，提供給醫(yī)生選擇，經(jīng)綜合考慮下選擇最合適的模板圖像。經(jīng)過本方法運算后的圖像，可以提供圖像的相似度保證，如此可以提高放療計劃中配準運算的適用性與精確度，很好地滿足臨床需要。

本發(fā)明通過基于GPU加速的算法，找尋最相似的配準樣本圖像，是為了實現(xiàn)在臨床放療中，病人躺倒在病床上之后的幾分鐘之內(nèi)完成配準與劑量模擬驗證。本發(fā)明效率高，節(jié)約時間及人力成本，很好的滿足了臨床需要，可在臨床上推廣應用，具有顯著的社會意義。

以上僅為本發(fā)明的優(yōu)選實施例而已，并不用于限制本發(fā)明，對于本領域的技術人員來說，本發(fā)明可以有各種更改和變化。凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進等，均應包含在本發(fā)明的保護范圍之內(nèi)。